Label Encoder で 欠損値を扱う方法について

Question

前提・実現したいこと

以下の画像のような、str型とint型、float型のデータが混ざったdataframeをLabel Encodingしたいと考えています。

'NAME_INCOME_TYPE' という列には欠損値が含まれています。

発生している問題・エラーメッセージ

---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
~/anaconda3/lib/python3.8/site-packages/sklearn/preprocessing/_label.py in _encode(values, uniques, encode, check_unknown)
    112         try:
--> 113             res = _encode_python(values, uniques, encode)
    114         except TypeError:

~/anaconda3/lib/python3.8/site-packages/sklearn/preprocessing/_label.py in _encode_python(values, uniques, encode)
     60     if uniques is None:
---> 61         uniques = sorted(set(values))
     62         uniques = np.array(uniques, dtype=values.dtype)

TypeError: '<' not supported between instances of 'float' and 'str'

During handling of the above exception, another exception occurred:

TypeError                                 Traceback (most recent call last)
<ipython-input-36-ad9d13d097b0> in <module>
      5 for c in cat_cols:
      6     le = LabelEncoder()
----> 7     le.fit(df[c])
      8     df[c] = le.transform(df[c])
      9 

~/anaconda3/lib/python3.8/site-packages/sklearn/preprocessing/_label.py in fit(self, y)
    238         """
    239         y = column_or_1d(y, warn=True)
--> 240         self.classes_ = _encode(y)
    241         return self
    242 

~/anaconda3/lib/python3.8/site-packages/sklearn/preprocessing/_label.py in _encode(values, uniques, encode, check_unknown)
    115             types = sorted(t.__qualname__
    116                            for t in set(type(v) for v in values))
--> 117             raise TypeError("Encoders require their input to be uniformly "
    118                             f"strings or numbers. Got {types}")
    119         return res

TypeError: Encoders require their input to be uniformly strings or numbers. Got ['float', 'str']

該当のソースコード

cat_cols = ['NAME_CONTRACT_TYPE','CODE_GENDER', 'NAME_INCOME_TYPE', 'FLAG_OWN_CAR']

from sklearn.preprocessing import LabelEncoder

for c in cat_cols:
    le = LabelEncoder()
    le.fit(df[c])
    df[c] = le.transform(df[c])
    
df.head()

試したこと

cat_cols = ['NAME_CONTRACT_TYPE','CODE_GENDER', 'NAME_INCOME_TYPE']のときはエラーが発生しますが、cat_cols = ['NAME_CONTRACT_TYPE','CODE_GENDER']のときはエラーが発生しないため'NAME_INCOME_TYPE'に欠損値が存在することが原因と考えているのですが、どう対処したらいいかわかりません。

よろしくおねがいします。

Comments

[toast-uz]

欠損値をどうしたいのでしょうか？無視する？何かに置き換える？
いずにしてもその処理を、DataFrameにdropnaかfillnaして事前にきれいにしておくだけであると思います。これだけの話であればこれが回答となります。そうでなければ、何に悩まれているのか、もう少し教えてください。

Answer 1

一番簡単なのはdropnaを使って欠損値が含まれるデータを廃棄することです。
事情があって廃棄できない場合は、one-hot-encodingによってどのlabelでもないとして扱う方法があります。one-hot-encodingとはlabelの情報を0また1の組み合わせによって表現する方法です。仮にencode対象が、[a,b,c]のどれかとします。aを[1,0,0]とcを[0,0,1]という具合に3要素のベクトルとして表現します。これによって、欠損値の場合はa,b,cのどれでもないので[0,0,0]とencodeします。具体的にはpandas.get_dummies()を使います。
質問に記載のコードだとlabelを数値に置き換えることが目的のようなので、LabelEncoderを適用する前にfillnaメソッドを使って欠損値にlabelを割り振る方法がいいかもしれません。
欠損値が含まれるデータにおけるエンコードの方法はいろいろあります。このあたりはエンコードした後に何をするか、や欠損値を含むデータの件数や比率によって決めるものです。